Phase 1: Python-Grundlagen
- Die professionelle Data-Science-Umgebung einrichten, Git und Kommandozeile beherrschen.
- Python-Kenntnisse für Datenmanipulation und -visualisierung auffrischen.
- Direkt angewendet: eine vollständige explorative Datenanalyse auf einem realen Datensatz.
Phase 2: Klassisches Machine Learning
- Klassifikations- und Regressionsverfahren über Standard-Workflows anwenden.
- Modelle optimieren: Hyperparameter-Tuning, Feature Engineering, Regularisierung, Kreuzvalidierung und Gradientenverfahren – mit wiederverwendbarem Python-Code.
- Decision-Tree-Ensembles und Boosting, Umgang mit unbalancierten Daten sowie Clustering und Dimensionsreduktion für reale Geschäftsprobleme.
Phase 3: Deep Learning & Transfer Learning
- Künstliche und konvolutionale neuronale Netze verstehen – und wie Backpropagation das Gradientenverfahren erweitert.
- Neuronale Netze mit einem führenden Deep-Learning-Framework bauen und trainieren.
- Transfer Learning auf Aufgaben der Bildklassifikation anwenden.
Phase 4: LLMs & Prompt Engineering
- Die Transformer-Architektur und die grundlegenden Mechanismen hinter Large Language Models verstehen.
- Praktische Erfahrung mit LLM-APIs und Prompt Engineering sammeln.
- Ein vollständiges Retrieval-Augmented-Generation-System aufbauen und lernen, wann und wie Fine-Tuning sinnvoll ist.
Phase 5: RAG & Wissenssysteme
- Agenten mit persistentem Wissen und Gedächtnis entwickeln.
- Agentische RAG-Patterns und adaptives Retrieval-Routing meistern.
- Speicherarchitekturen vom kurzfristigen Kontext bis zum graphbasierten Langzeitabruf gestalten.
Phase 6: Agenten-Architektur & zustandsorientierte Workflows
- Von Notebooks zu strukturierten GitHub-Repositories: den zentralen Agent-Loop von Grund auf implementieren.
- Auf ein führendes Framework refaktorisieren und den ersten End-to-End-Agenten mit Sandboxed-Tools veröffentlichen.
- Robuste, zustandsorientierte Workflows: Streaming, Human-in-the-Loop-Freigaben mit strikter Idempotenz und produktionsreife Observability.
Phase 7: Multi-Agenten-Systeme
- Routine im modernen Agent-Stack: Tool-Protokolle nutzen und erstellen, mit autonomen Frameworks samt Hooks und Subagenten arbeiten.
- Typsicheres, vertragsbasiertes Design anwenden.
- Multi-Agenten-Systeme mit dem passenden Pattern orchestrieren – abgestimmt auf Kosten und Latenz.
Phase 8: Evaluierung, Sicherheit & Compliance
- Produktionsreife Agenten mit strenger Evaluierung veröffentlichen.
- Tiefgestaffelte Sicherheit (Defense-in-Depth) umsetzen.
- Fundiertes Praxiswissen zu AI Governance und den Verpflichtungen des EU AI Acts aufbauen.
Phase 9: Abschlussprojekt – Entwicklung & Deployment
- Architektur entwerfen und eine End-to-End-Implementierung mit Tool-Integrationen, Wissensabruf und Speicher aufbauen.
- Das System iterativ anhand einer Evaluierungssuite optimieren und Feedback einarbeiten.
- Mit Defense-in-Depth-Sicherheit härten, live bringen und samt Observability-Dashboards in einer Live-Abschlusspräsentation vorstellen.
